CN108681248A - 一种参数最优的自主学习故障诊断系统 - Google Patents

Abstract

本发明公开了一种参数最优的自主学习故障诊断系统，用于对田纳西伊斯曼过程进行故障诊断，包括数据预处理模块、主成分分析模块、自主学习模块以及群智能算法模块。本发明对田纳西伊斯曼化工过程的重要参数指标进行故障诊断，克服已有的化工故障诊断技术仪表预报精度不高、易受人为因素影响的不足，利用蚁群算法较强的全局搜索能力和局部搜索能力快速寻找到支持向量机的最优参数，提出了一种小样本条件下诊断效果更好的且易得到参数最优的自主学习故障诊断系统。

Description

一种参数最优的自主学习故障诊断系统

技术领域

本发明涉及故障诊断领域、机器学习领域和群智能优化算法领域，尤其涉及一种结合机器学习和群智能优化算法的田纳西伊斯曼过程化工故障诊断系统。

背景技术

随着近几年大数据正在如火如荼地发展起来，大数据本身已成为人工智能的重要支撑部分，除此之外，由于数据的产生速度和总量都在急速增长，从以往生产过程所产生的数据中获取我们需要的隐藏在数据中的信息，已成为科学研究的新领域。利用数据进行复杂工业过程检测已在工业故障检测领域得到了快速发展，该技术能有效降低工业生产过程故障的发生，从而最大限度地避免故障对企业和国家造成的损失。化工型企业一直是安全事故高发的一类生产性企业，一直以来给地方政府和人民造成较大的生命财产损失；例2016年4月3日，山东省德州市一家名为联化科技的化工厂发生严重爆炸事故，爆炸共造成7人受伤，并对周围房屋建筑造成不同程度地破坏，由于是化工厂中有多种化工原料，爆炸使多种化工生产原料发生泄漏，一定程度上污染了当地的自然环境。2016年4月20日，墨西哥的国家石油公司下属的一处石油加工设施爆炸，涉事公司称“泄漏”是引发此次爆炸的主要因素，但没有明确指明是何种材料的泄漏，具体事故原因需要进一步查明，此次事故共造成32人死亡，130人受伤。2017年2月，安徽省恒兴化工公司发生爆炸，此次事故没有造成人员伤亡。事后经有关部门的调查分析，初步查出的事故原因为蒸汽管道阀门操作失误。以上案例只是最近这段时间所发生事故的一部分。由此可见，化工生产过程发生安全事故的概率相比其他产业要大一些；正如此，如何能够最大限度地避免此类安全事故的发生，就显得尤为重要。开展化工过程的故障检测与诊断研究正是为了减少此类故障事故的发生，从而实现安全生产，为国家争取更多的经济效益，因此，基于数据驱动的故障检测方法研究已经成为故障检测与诊断领域的热点问题之一。

发明内容

为了克服目前已有的故障诊断技术的预报精度不高、易受人为因素影响的不足，本发明的目的在于提供一种小样本条件下预报效果更好故障诊断系统。

本发明解决其技术问题所采用的技术方案是：一种参数最优的自主学习故障诊断系统，用于对田纳西伊斯曼过程进行故障诊断，包括数据预处理模块、主成分分析模块、自主学习模块以及群智能算法模块。其中：

数据预处理模块：田纳西伊斯曼过程的52个变量为数据预处理模块的输入。由于每个变量都有不同的单位，为了防止不同的量纲引起数据量级之间的误差，先对所有数据进行标准化处理，标准化公式如下：

其中，mean表示各变量的算术平均值，std表示各变量的标准差，表示输入变量的值，下标i表示第i次检测、j分别表示第j维变量，x_ij表示标准化后输入变量的值作为输入数据。标准化后的数据为S＝{x_i1,x_i2,...x_i52}。

主成分分析模块：通过主成分分析来保证在不降低系统精度的情况下降低系统的复杂度。将标准化后的数据S＝{x_i1,x_i2,...x_i52}进行主成分分析，保留85％的主要成分。

自主学习模块：用于建立诊断系统，采用支持向量机自主学习模块：

其中J表示目标函数、w表示模块参数、b表示偏执、x表示输入数据、y表示输出数据，下标i表示第i个数据。

对于上述公式的求解，引入了拉格朗日乘子α_i，定义拉格朗日函数L如下，其中上标T表示矩阵的转置，表示核函数映射：

根据KKT条件，将L(w,α_i,b)分别对w,b求偏导，可以得到如下公式：

该模块采用性能优秀、所需参数少的RBF核函数K，函数如下：

其中，K是核函数，表示输入数据的平均值，σ表示核参数。

群智能算法模块：采用群智能方法蚁群算法优化自主学习模块中的核参数σ：

(1)算法初始化，构造出初始的解集S＝(s₁,s₂,...,s_n)，确定蚁群的大小m，设置蚁群寻优算法迭代次数的阈值MaxGen并初始化蚁群寻优的迭代次数序号k＝0；

(2)计算出解集S对应的适应度值F_i(i＝1,2,...n)，适应度值越大代表解越好，再确定解集中每个解被取到作为蚂蚁寻优的初始解的概率P_i(i＝1,2,...n)，其中表示解的真实值，表示解的预测值，n表示样本个数：

初始化执行寻优算法的蚂蚁编号i＝0；

(3)蚂蚁i选取S中的一个解作为寻优的初始解，选取规则是根据P来做轮盘选；

(4)蚂蚁i在选取的初始解的基础上进行寻优，找到更好的解s_i；

田纳西伊斯曼过程共有21个故障，将不同故障的数据输入到群智能优化的故障诊断系统中进行训练，建立故障诊断模型。

当未知故障的数据输入到此故障诊断系统时，诊断结果显示仪显示诊断结果。

本发明的有益效果主要表现在：本发明对田纳西伊斯曼化工过程的重要参数指标进行故障诊断，克服已有的化工故障诊断技术仪表预报精度不高、易受人为因素影响的不足，利用蚁群算法较强的全局搜索能力和局部搜索能力快速寻找到支持向量机的最优参数，提出了一种小样本条件下诊断效果更好的且易得到参数最优的自主学习故障诊断系统。

附图说明

图1是一种参数最优的自主学习故障诊断系统的基本结构示意图；

图2是群智能优化的故障诊断系统模块的结构示意图；

图3是田纳西伊斯曼过程工艺生产流程图。

具体实施方式

下面根据附图具体说明本发明。

参照图1，一种参数最优的自主学习故障诊断系统，包括田纳西伊斯曼过程1、用于测量易测变量的现场智能仪表2、用于测量操作变量的控制站3、存放数据的数据库4、群智能优化的故障诊断系统5和诊断结果显示仪6。所述现场智能仪表2、控制站3与田纳西伊斯曼过程1连接，所述现场智能仪表2、控制站3与数据库4连接，所述数据库4与群智能优化的故障诊断系统5的输入端连接，所述群智能优化的故障诊断系统5的输出端与诊断结果显示仪6连接。

参照图3田纳西伊斯曼过程的变量如表1所示。

表1：田纳西伊斯曼过程变量

编号	过程变量	编号	过程变量
				1	进料A(流管1)	27	反应器E进料(流管6)
2	进料D(流管2)	28	反应器F进料(流管6)
				3	进料E(流管3)	29	反应器A进料(流管9)
4	总进料(流管4)	30	反应器B进料(流管9)
				5	再循环流量(流管8)	31	反应器C进料(流管9)
6	反应器进料速率	32	反应器D进料(流管9)
				7	反应器压力	33	反应器E进料(流管9)
8	反应器液位	34	反应器F进料(流管9)
				9	反应器温度	35	反应器G进料(流管9)
10	排气量(流管9)	36	反应器H进料(流管9)
				11	气液分离器温度	37	汽提塔D流量(流管11)
12	气液分离器液位	38	汽提塔E流量(流管11)
				13	气液分离器温度	39	汽提塔F流量(流管11)
14	气液分离器塔底流量(流10)	40	汽提塔G流量(流管11)
				15	汽提塔液位	41	汽提塔H流量(流管11)
16	汽提塔压力	42	D进料速率
				17	汽提塔塔底流量(流管11)	43	E进料速率
18	汽提塔温度	44	A进料速率
				19	汽提塔蒸汽流量	45	总进料量速率
20	压缩机功率	46	压缩机再循环阀
				21	反应堆冷却水出口温度	47	排放阀
22	分离器冷却水出口温度	48	分离罐罐液流量
				23	反应器A进料(流管6)	49	汽提塔液体产品流量
24	反应器B进料(流管6)	50	汽提器水流量
				25	反应器C进料(流管6)	51	反应器冷却水流量
26	反应器D进料(流管6)	52	冷凝器冷却水流量

田纳西伊斯曼过程数据作为群智能优化的故障诊断系统5的输入变量。通过人工取样分析获得，每4小时分析采集一次。

参照图2，所述群智能优化的故障诊断系统5还包括：

数据预处理模块7：田纳西伊斯曼过程的52个变量为数据预处理模块的输入。由于每个变量都有不同的单位，为了防止不同的量纲引起数据量级之间的误差，先对所有数据进行标准化处理，标准化公式如下：

其中，mean表示各变量的算术平均值，std表示各变量的标准差，表示输入变量的值，下标i表示第i次检测、j分别表示第j维变量，x_ij表示标准化后输入变量的值作为输入数据。标准化后的数据为S＝{x_i1,x_i2,...x_i52}。

主成分分析模块8：通过主成分分析来保证在不降低系统精度的情况下降低系统的复杂度。将标准化后的数据S＝{x_i1,x_i2,...x_i52}进行主成分分析，保留85％的主要成分。

自主学习模块9：用于建立诊断系统，采用支持向量机自主学习模块：

其中J表示目标函数、w表示模块参数、b表示偏执、x表示输入数据、y表示输出数据，下标i表示第i个数据。

对于上述公式的求解，引入了拉格朗日乘子α_i，定义拉格朗日函数L如下，其中上标T表示矩阵的转置，表示核函数映射：

根据KKT条件，将L(w,α_i,b)分别对w,b求偏导，可以得到如下公式：

该模块采用性能优秀、所需参数少的RBF核函数K，函数如下：

其中，K是核函数，表示输入数据的平均值，σ表示核参数。

群智能算法模块10：采用群智能方法蚁群算法优化自主学习模块中的核参数σ：

(1)算法初始化，构造出初始的解集S＝(s₁,s₂,...,s_n)，确定蚁群的大小m，设置蚁群寻优算法迭代次数的阈值MaxGen并初始化蚁群寻优的迭代次数序号k＝0；

(2)计算出解集S对应的适应度值F_i(i＝1,2,...n)，适应度值越大代表解越好，再确定解集中每个解被取到作为蚂蚁寻优的初始解的概率P_i(i＝1,2,...n)，其中表示解的真实值，表示解的预测值，n表示样本个数：

初始化执行寻优算法的蚂蚁编号i＝0；

(3)蚂蚁i选取S中的一个解作为寻优的初始解，选取规则是根据P来做轮盘选；

(4)蚂蚁i在选取的初始解的基础上进行寻优，找到更好的解s_i；

田纳西伊斯曼过程共有21个故障，将不同故障的数据输入到群智能优化的故障诊断系统5中进行训练，建立故障诊断模型。

当未知故障的数据输入到此故障诊断系统时，诊断结果显示仪6显示诊断结果。

本发明实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (5)

1.一种参数最优的自主学习故障诊断系统，用于对田纳西伊斯曼过程进行故障诊断，其特征在于，它包括数据预处理模块、主成分分析模块、自主学习模块以及群智能算法模块。

2.根据权利要求1所述参数最优的自主学习故障诊断系统，其特征在于，所述数据预处理模块的输入为田纳西伊斯曼过程的52个变量由于每个变量都有不同的单位，为了防止不同的量纲引起数据量级之间的误差，先对所有数据进行标准化处理，标准化公式如下：

其中，mean表示各变量的算术平均值，std表示各变量的标准差，表示输入变量的值，下标i表示第i次检测、j分别表示第j维变量，x_ij表示标准化后输入变量的值作为输入数据。标准化后的数据为S＝{x_i1,x_i2,...x_i52}。

3.根据权利要求1所述参数最优的自主学习故障诊断系统，其特征在于，所述主成分分析模块通过主成分分析来保证在不降低系统精度的情况下降低系统的复杂度。将标准化后的数据S＝{x_i1,x_i2,...x_i52}进行主成分分析，保留85％的主要成分。

4.根据权利要求1所述参数最优的自主学习故障诊断系统，其特征在于，所述自主学习模块用于建立诊断系统，采用支持向量机自主学习模块：

其中J表示目标函数、w表示模块参数、b表示偏执、x表示输入数据、y表示输出数据，下标i表示第i个数据。

对于上述公式的求解，引入了拉格朗日乘子α_i，定义拉格朗日函数L如下，其中上标T表示矩阵的转置，表示核函数映射：

根据KKT条件，将L(w,α_i,b)分别对w,b求偏导，可以得到如下公式：

该模块采用性能优秀、所需参数少的RBF核函数K，函数如下：

其中，K是核函数，表示输入数据的平均值，σ表示核参数。

5.根据权利要求1所述参数最优的自主学习故障诊断系统，其特征在于，所述群智能算法模块采用群智能方法蚁群算法优化自主学习模块中的核参数σ，具体为：

(1)算法初始化，构造出初始的解集S＝(s₁,s₂,...,s_n)，确定蚁群的大小m，设置蚁群寻优算法迭代次数的阈值MaxGen并初始化蚁群寻优的迭代次数序号k＝0；

(2)计算出解集S对应的适应度值F_i(i＝1,2,...n)，适应度值越大代表解越好，再确定解集中每个解被取到作为蚂蚁寻优的初始解的概率P_i(i＝1,2,...n)，其中表示解的真实值，表示解的预测值，n表示样本个数：

初始化执行寻优算法的蚂蚁编号i＝0；

(3)蚂蚁i选取S中的一个解作为寻优的初始解，选取规则是根据P来做轮盘选；

(4)蚂蚁i在选取的初始解的基础上进行寻优，找到更好的解s_i；

田纳西伊斯曼过程共有21个故障，将不同故障的数据输入到群智能优化的故障诊断系统中进行训练，建立故障诊断模型。

当未知故障的数据输入到此故障诊断系统时，诊断结果显示仪显示诊断结果。